Nästa generations produkt- och kundanalys

För att förbli konkurrenskraftig är det viktigt att förstå hur dina kunder interagerar med ditt varumärke. För digitala företag börjar detta vanligtvis med produktanalys. I stort sett är målet med produktanalys att förstå användarnas beteende och identifiera vilka produktupplevelser som leder till kundframgång och vilka som leder till kundfriktion eller kundbortfall. Produktanalys kan hjälpa företag att svara på frågor som: Vad gör användarna i produkten? Hur beter sig olika segmenteringar och hur presterar de? När börjar kundbortfallet? Och vilka är våra trattar och vägar till engagemang?

Det är inte förvånande att produktanalys används i stor utsträckning på avdelningar som ansvarar för att leverera produkter: Product Management, Design och Engineering. Marknads- och tillväxtavdelningar använder också produktanalys genom att behandla en webbplats eller annonskampanjer som en del av upplevelsen av produktledd tillväxt (PLG).

Den nuvarande första generationen av produktanalysverktyg är vertikalt implementerade lösningar som i sina egna åtskilda datasilos är utformade för att ge en överblick över resultaten i produktkanalerna. Men hur kan man förstå beteendemönster i alla kontaktpunkter som driver dessa resultat?

Nästa generations verktyg för produkt- och kundanalys omfattar data från produktinstrumentering och all annan kunddata (försäljning, support, marknadsföring, ekonomi, framgång etc.). De är utformade för den moderna datastacken och fungerar naturligt i datalager. Med en komplett kundkontext (inom och utanför produkten) och med BI:s utforskande kraft möjliggör de en djup förståelse för hur beteendemönster driver tvärfunktionella affärsresultat. De ger en delad, konsekvent och lättillgänglig bild av kundbeteendet för alla kundorienterade team i företaget. Som ett resultat erbjuder de rikare och mer affärspåverkande analyser.

Utmaningar med 1:a generationens produktanalys

Den första generationens produktanalys föddes ur Web 2.0. De verktyg som dök upp (Mixpanel, Amplitude, Heap, etc.) har tjänat produktdrivna företag väl genom att ge insyn på högsta nivå i produktanvändningen som de inte hade tidigare. I dagens digitala landskap finns det dock flera utmaningar och brister med första generationens verktyg. Dessa inkluderar:

1. Extra kostnader för slutna äldre stackar

   Första generationens verktyg har byggt proprietära slutna datalager för den händelsedata de samlar in - och prissätter sedan baserat på händelsevolym, även om datan inte används. Detta är inte en bra skala upp för kunderna, eftersom händelsevolymen inte nödvändigtvis är korrelerad med affärsvärdet.
   
   Att ha en sluten datalagring brukar beskrivas som ett nödvändigt steg för att generera analytisk prestanda. Detta var inte kontroversiellt innan den moderna datastacken och de centraliserade datalagren växte fram. Men dessa data finns inte i industristandardformat och exponeras inte heller via standard-API:er som JDBC och SQL. Detta resulterar i ännu en svart låda, åtskild datalagring.
   
   Även för en måttligt stor mängd data eller analytisk komplexitet måste kunderna bygga ETL-jobb för att dumpa data från dessa butiker till andra databaser. De måste sedan använda ännu ett verktyg för att analysera dessa data, vilket skapar fragmenterade analyser, mer overhead och ökar TCO för deras analysmaskiner.

2. Åtskild synlighet för en enda kanal

   Första generationens verktyg fokuserar på en enda kanal: upplevelsen i produkten. Även om dessa data ger vissa insikter är de ofullständiga. I ett ständigt uppkopplat ekosystem med flera kanaler interagerar kunderna med varumärkena inte bara via sina produkter, utan även via kanaler utanför produkten, som sociala kanaler, kundsupport, marknadsföring, evenemang och kanske till och med offline-kanaler. Verktyg för produktanalys erbjuder i allmänhet lite, om ens något, stöd för analys av flera kanaler.
   
   Det beror på att verktyg av första generationen i grunden saknar möjlighet att berika produktdata med data från andra affärssystem hos kunden. Ett verktyg kan till exempel erbjuda en väl modellerad uppfattning om en "användare" baserat på de händelser som fångas upp i produkten eller applikationen. Men vad är den här användarens fullständiga profil? Är det en power user som är en del av ett konto som betalar 1 miljon dollar och ska förnyas det här kvartalet? Kundgagemang eller finansiella system har dessa data. Andra exempel på affärssammanhang är leveranskedjan, försäljningshistorik eller supportkanaler, från data som finns i Oracle, Salesforce, Zendesk eller datalagret. Dessa data finns helt enkelt inte i händelseströmmarna för första generationens verktyg för produktanalys
   
   I bästa fall kan första generationens verktyg hämta en begränsad uppsättning egenskaper från ett företags datalager med hjälp av omvända ETL-verktyg. Detta är bräckligt och dyrt, och alltid ofullständigt eftersom kraven ständigt förändras. Även om det inte går att skala upp bidrar det ytterligare till fragmenteringen av analyslösningar i organisationen.

3. Data utanför företaget

   Första generationens verktyg fångar upp användarnas beteenden och lagrar data i sin vertikalt integrerade SaaS-tjänst, utanför de säkra företagsmiljöerna. Deras tag-first-strategi, som används av företagsanvändare, är till sin natur utsatt för säkerhets- och integritetsöverträdelser. Detta skapar betydande affärsrisker för företag med tanke på det ökande regleringstrycket.

4. Konserverad analys som passar alla i en storlek

   Första generationens verktyg är utformade för att tillhandahålla färdiga rapporteringsmallar för grundläggande självbetjäningsrapportering. Till skillnad från BI-programvara (Business Intelligence), som har funktioner för avancerad ad hoc-analys, erbjuder produktanalyslösningar i allmänhet endast fördefinierade rapporter på rigida datamodeller. Dessutom är datainsamling och bearbetning utformad för att passa denna fördefinierade datamodell, och data som inte behövs för att producera de föreskrivna rapporterna kasseras på vägen.
   
   Vad händer om användaren vill ställa en uppföljningsfråga, och det är en domän- eller affärsspecifik fråga som går utöver dessa rapporteringsmallar? De lösningar som finns idag är smärtsamma. Vanligtvis måste du exportera all produkttelemetri (eller åtminstone den telemetri som finns kvar från den föreskrivna datainsamlingen) till ett relational data warehouse och skriva komplex SQL för modellering och analys. Användarna av produktanalysverktyg är affärsanvändare - de har sannolikt inte den senaste kompetensen eller tillgång till verktyg för att göra detta. Därför måste de förlita sig på överbelastade och organisatoriskt dyra datateknik- och datavetenskapsteam.

5. Prestanda i skala upp

   Första generationens verktyg utvecklades från grundläggande rapporteringsmallar för enkla användningsfall med enkla beräkningsmotorer. De var inte utformade för att skala upp för att stödja den stora mängd rådata som företag samlar in idag. Och för att undvika prestandaförsämringar sammanfattar och rensar dessa verktyg stora mängder data med hög tillförlitlighet som annars skulle kunna ge svar på viktiga affärsfrågor.

Nästa generations produkt- och kundanalys är warehouse-native analytics

I den moderna datastacken arbetar analysverktyg och funktioner som BI, AI och ML redan direkt i datalagret. Varför skulle inte produktanalys göra det? För att hantera utmaningarna med första generationens produktanalysverktyg växer en ny generation av warehouse-native analytics fram. Här är funktionerna som frigörs med detta moderna tillvägagångssätt:

Självbetjäning för svar på alla frågor

Nästa generations verktyg gör det möjligt för affärsanvändare att själva hantera dataåtkomst, modellering och analys, med minimalt beroende av datateknikteam. Affärsanvändarna är inte längre begränsade till föreskrivna rapporter eller dashboards, utan har intuitiva peka-och-klicka-gränssnitt för att komma åt, analysera och visualisera data - från alla datakällor i datalagret.

Med utgångspunkt från dussintals rapporteringsmallar för produktanalys, inklusive segmentering av händelser, beteendekohort, kvarhållande, vägar eller trattar, kan affärsteamen snabbt få en förståelse för användarnas beteende och resultat.

De kan berika och utöka organisationens datamodell i enlighet med sin domänexpertis. Och i slutändan kommer de att kunna ställa mer sofistikerade frågor med avancerad analys.

Sömlösa svar på nästa uppsättning frågor

Nästa fråga, och nästa, och nästa... kan väckas av nyfikenhet kring interaktioner utanför produkten eller OKR:er på konto- eller affärsnivå. Det är iterativt och byggs upp i tankens hastighet, och detta kräver ad hoc-funktioner för visuell utforskning. Lyckligtvis finns de data som krävs för att stödja detta redan i lagret och är omedelbart tillgängliga för den här typen av självguidad utforskning.

Konvergerade plattformar för självbetjänings-BI och kundanalys är utformade för att affärsanvändare nu enkelt ska kunna ställa dessa mer sofistikerade frågor från en enda plattform - på alla kund- eller affärsdata och över högre affärsmått, utöver produktanvändning (t.ex. kan ett streamingföretag spåra Cost Per Acquired Hour för att mäta ROI för marketing baserat på kundförvärvskostnaden för varje timme innehåll som visas).

Organisationer är inte begränsade till att titta på användarnas beteende i produkten. De kan sömlöst iterera och förfina sin förståelse av användarnas beteende, när de skär och tärnar över alla dimensioner av data i lagret. De kan till exempel enkelt gå upp till beteenden på kontonivå eller koppla användning till uppgraderingar och direkt till intäkter! De kan se hur användare beter sig vid andra kontaktpunkter, jämföra tidigare historiskt beteende med dynamiskt utvecklande kohorter och mycket mer.

Med ett rikt affärskontext och insikter från olika datakällor kan de personalisera kundbearbetningen vid den punkt där den har störst inverkan på verksamheten.

Modellera ditt företag exakt för att få en fullständig kontext

Dessa verktyg erbjuder de avancerade funktioner för modellering som finns i självbetjäningsverktyg för BI.

De gör det möjligt för organisationen att schematisera rådata i olika former till meningsfulla relationella affärsenheter, med flera vyer av data för olika affärsscenarier, stöd för halvstrukturerad data och motståndskraft mot förändringar i källdata.

Reagera snabbt på förändringar i din verksamhet

Vi befinner oss i en tid med snabbt ökande affärshastighet. Varje team, oavsett om det är produkt, tillväxt eller kundframgång, måste reagera på affärshändelser snabbare än någonsin tidigare för att förbli relevanta, vilket innebär att de måste ha en realtidspuls på sina kunder och verksamheter. Nästa generations analyssystem återspeglar denna utveckling. De har funktioner för att bearbeta data om användarhändelser i realtid och omedelbart varna produkt- och kundteam om problem och möjligheter.

Aktivera insikter för att personalisera upplevelser i alla kanaler

När affärssystemen inte är synkroniserade kan det som du trodde var en vältajmad personalisering vara helt fel och skada relationen. Att upprätthålla och operationalisera en enda sanningskälla är det enda sättet att undvika detta.

Nästa generations verktyg skickar insikter från beteendedata ner till datalagret, den enda sanningskällan, för aktivering av och från alla affärssystem som är anslutna till lagret.

Ta itu med integritets- och säkerhetsfrågor

Eftersom nästa generations verktyg är inbyggda i datalagret dupliceras aldrig data och lämnar aldrig kundens säkra miljö.

Dessutom har kunderna flexibiliteten att distribuera antingen som en fullt managed SaaS-tjänst eller inom ett eget Virtual Private Cloud (VPC). Detta gör det möjligt för kunderna att följa företagets gemensamma policyer för säkerhet och integritet för alla applikationer.

Betala för värde

Nästa generations verktyg är byggda från grunden för den moderna datastacken. I den moderna datastacken finns all data, inklusive produktinstrumentationsdata, i en centraliserad molnlagring i ett öppet format tillsammans med all annan affärsdata från kunden. Du betalar för data en gång. Det finns ingen ytterligare ETL eller omvänd ETL för att flytta data mellan andra externa, svarta åtskilda silos. Du kan billigt lagra alla dina data i Cloud object stores, men bara betala för den delmängd av dessa data som efterfrågas.

Analysverktygen är frikopplade från instrumenteringen och arbetar direkt med data i dessa centrala lager. Detta gör att nästa generations produktanalys kan erbjuda BI:s analytiska kraft från en enda plattform. Du behöver inte längre flera olika plattformar och verktyg för att hantera alla typer av produktanalysfrågor, från enkla (första generationens verktyg) till sofistikerade (ETL/SQL/BI-verktyg). Eftersom förfrågningarna görs direkt mot datalagret har du dessutom full insyn i dina beräkningskostnader.

Genom att modernisera din produktanalysstack betalar du bara en bråkdel av vad du spenderar nu för flera verktyg, plattformar och team.

Ta din produkt- och kundanalys till nästa nivå

Kämpar du med att övervinna utmaningarna med din nuvarande produktanalyslösning?

1. Händelsebaserad prissättning som blir oöverkomligt dyr i skala upp
2. Hög TCO för dataförflyttning till/från slutna äldre stackar
3. Åtskild synlighet för en enda kanal
4. Kunddata utanför företaget
5. Konserverad analys som passar alla i en storlek
6. Fragmenterad analys i flera olika produkter
7. Dålig prestanda i skala upp

Ännu viktigare: förväntar du dig mer affärspåverkande insikter från en modern plattform?

• En bråkdel av kostnaden för äldre lösningar för produktanalys
• Självbetjäning för svar på alla frågor
• Sömlösa svar på nästa uppsättning frågor bortom mallrapporter
• Noggrann modellering av din verksamhet för fullständig kontext
• Reagera snabbt på förändringar i din verksamhet
• Aktivera insikter för att personalisera upplevelser i alla kanaler
• Ta itu med integritets- och säkerhetsfrågor
• Betala för värde, inte för datavolym

Om du svarade ja på något av ovanstående bör du överväga en nästa generations lösning för produkt- och kundanalys för att maximera värdet av din investering i produktinstrumentering och börja ställa mer sofistikerade beteendefrågor.